收件箱里来了一份360度评估请求，要你给同事写反馈；或者经理要求你为下属写具体反馈。你大致知道情况如何：整体不错，但有一个反复出现的摩擦点。然而，把这种粗略感觉变成清晰、具体、有用的书面反馈，比听起来更难。AI确实能帮助组织结构和措辞，但它不是实际内容的来源。把它当作内容来源，正是错误开始的地方。
这与拒绝用AI给人打分或排名不同，后者讲的是让模型给人打分或排名的特定危险。本文假定你不是在索要分数，而是在撰写关于具体行为的定性反馈。这里的风险在于，AI可能把你的真实观察改写得比实际所见和真正想表达的意思更含糊、更尖锐或更笼统。
不要把这套工作流用于正式纪律处分、受保护披露、歧视或合理便利决定、保护儿童或弱势人员的事项、裁员或解雇。请遵循具有约束力的流程，并交由合格人员审查。
规则：例子归你，结构归AI
反馈里的每一条具体主张，例如“三月报告错过了截止日期”“在规划会上建设性地提出异议”“站会里反复打断同事”，都必须是你实际观察到的，最好附上大致日期或具体场合。AI没有独立渠道知道发生了什么；若你要求它“写一段关于某人需要改进沟通的反馈”，它会生成听起来合理、读起来具体，却与任何真实事件无关的通用例子。这是披着细节外衣的编造，也正是收到反馈的人会觉得不公平的原因。含糊或编造的例子无法讨论、纠正，甚至无法真正理解，因为背后没有具体事实。
切勿让AI为关于真实个人的反馈生成例子、事件或具体行为。若你想不起支撑某一点的具体实例，要么在写反馈前找到一个，要么删掉该点——没有具体例子的笼统印象不是有用反馈，编造的例子比没有更糟。
保持例子真实的工作流
第1步：先列出自己的具体观察
打开任何AI工具之前，写下你实际记得的内容：具体情境、当事人做了什么，以及产生了什么效果。创新领导力中心（Center for Creative Leadership）广泛使用的情境—行为—影响（Situation-Behavior-Impact）模型，很适合在AI介入前帮助你整理思路：情境（何时、何地）、行为（中性地描述具体发生了什么）和影响（产生了什么效果）（Center for Creative Leadership, “Use SBI (Situation-Behavior-Impact) to Inquire About Intent”）。
第2步：用AI整理和措辞，而不是生成内容
以下是我想作为反馈给同事的具体观察：[粘贴你的情境—行为—影响笔记]。请用同一结构帮我写得清晰、专业。不要添加任何我上面没有描述过的例子、行为或影响。语气与我实际意图保持一致——不要把建设性意见写得比我描述的更尖锐，也不要把真实关切软化成含糊表扬。
第二条指令与第一条同样重要。被要求“写得更圆滑”的模型，有时会把真实、具体的关切改成含糊的委婉措辞，让收到反馈的人根本看不出需要改变什么。
第3步：从两个方向对照真实意图检查语气
回读草稿，分别问两个问题：这是否比我的本意更尖锐？这是否比我的本意更委婉或更含糊？两个方向都可能造成实际损害。过度尖锐可能把轻微问题误写成严重问题；过度软化则可能把真实、可行动的关切埋进委婉措辞中，让对方根本察觉不到需要改变。
第4步：发送前对照自己的记忆核实每个例子
对草稿里的每条具体主张，确认你确实能回忆起对应的实例。若某句话读起来很好，但你想不起它对应的具体事件，就说明起草过程中混入了通用内容。删掉它，或换成真正有依据的内容。
若反馈将进入薪酬、晋升或正式绩效流程的决策，使用组织的正式反馈表单或渠道，而不是非正式的AI起草便条，并遵循HR团队为该具体情境定义的流程——措辞良好的私信不能替代正式流程所需的记录。
这里AI擅长什么，不擅长什么
| 任务 | 安全 | 有风险 |
|---|---|---|
| 把你自己的观察整理成清晰结构 | 是 | - |
| 在不改实质的前提下把某点写得更专业 | 是 | 留意是否被软化得含糊不清 |
| 检查多点之间的语气一致性 | 是 | - |
| 生成你未提供的例子或事件 | 否 | 这是编造 |
| 决定反馈“应该”多尖锐或多柔和 | 否 | 那是你的判断，基于实际行为及其实际影响 |
| 描述人的特质而非具体行为 | 否 | 聚焦与岗位相关且亲眼观察到的工作行为。不要推断诊断、残障、动机、人格或受保护特征。美国EEOC的AI与ADA资源是美国场景下的起点，而不是判断非正式起草是否合法的标准。 |
这与绩效自评或排名有何不同
需要准确说明本文覆盖和不覆盖的范围，因为这三类任务很容易混淆。写自己的绩效自评，是在整理自己工作的证据。拒绝用AI给人打分或排名，是不让模型作出关于人的分数、等级或“谁更好”的裁决。本文处于两者之间：你在撰写关于他人具体行为、基于证据的定性观察，目的是帮助对方，而不是给出数字，也不是整理自己的档案。三者的问责规则相同，也就是署名的人对内容负责；但材料和目的差异很大，把它们当成同一种工作流会在各方面都出错。
润色不等于公平
很容易假定：AI润色过的反馈会自动变得更公平，因为它比在沮丧或匆忙中写下的初稿读起来更冷静、更有条理。润色与公平是两回事。反馈之所以公平，是因为它具体、有证据，并与实际发生的事情相符，而不是仅仅听起来专业。基于含糊或编造例子的冷静措辞，并不比基于真实事实但表达粗糙的版本更好；它只是把同一个问题包装得更体面。
按司法辖区提供的官方起点包括欧盟委员会的就业平等概览、爱沙尼亚劳动监察局和平等待遇专员，以及美国EEOC雇员门户。NIST AI Risk Management Framework是治理依据，并非就业法律意见。
起草下一段反馈
下次360度评估或反馈对话前，用职场反馈起草检查清单先记录真实观察，再让AI只处理结构和语气。若反馈是为一对一（1:1）会谈做准备，1:1会谈议程准备介绍了实际表达时同样需要遵守的“用自己的话”原则。
